Optimal Transport Assignment for Object Detection, https://arxiv.org/ abs/2103.14259 [8] Computer Architecture: A Quantitative Approach [9] SIoU Loss: More Powerful Learning for Bounding Box Regression, https:// CIKM 论文：Trilateral Spatiotemporal Attention Network for User Behavior Modeling in Location-based Search[23]。 算法 < 61 图 19 基于三边时空注意力机制的用户行为序列网络 在实际建模中，相对于比赛涉及到更多线上部分，而比赛主要专注于离线数据集的精 度极值。同 Debiasing and Yue Hu. 2020. Graph neural architecture search. In IJCAI, Vol. 20. 1403–1409. [12] Matheus Nunes and Gisele L Pappa. 2020. Neural Architecture Search in Graph Neural Networks. In Brazilian Conference

经网络结构，由谷歌团队于2019年提出，该 模型在图像分类、目标检测和图像分割等任 务中取得了不错的结果。 EfficientNet的设计思路来源于模型优化的 两个主要思想： 神经网络结构搜索（Neural Architecture Search，NAS）和模型融合。 其主要贡献在于开创性地提出了通过均匀缩 放（Accurate Scaling）来调整网络深度 、宽度和分辨率的方法。 23 3.其它现代网络 EfficientNet Document Recognition (Yann LeCun, 1998) • AlexNet ： ImageNet Classification with Deep Convolutional Neural Networks (Alex Krizhevsky, Ilya Sutskever, and Geoffrey Hinton, 2012) 31 参考文献 • VGG：Very Deep MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications (Andrew G. Howard et al., 2017) • EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks (Mingxing Tan and

with deep neural networks and tree search." nature 529.7587 (2016): 484-489. 【4】 Wei, Jason, et al. "Chain-of-thought prompting elicits reasoning in large language models." Advances in neural information with large language models." Advances in Neural Information Processing Systems 36 (2024). 【6】Karpas, Ehud, et al. "MRKL Systems: A modular, neuro-symbolic architecture that combines large language models, 【7】Schick, Timo, et al. "Toolformer: Language models can teach themselves to use tools." Advances in Neural Information Processing Systems 36 (2024). 【8】https://huggingface.co/spaces/mteb/leaderboard 【9】https://github

实现更复杂的模型奠定了基础。接下来，在 6节 和 7节 中，我们介绍了卷积神经网络（convolutional neural network，CNN），这是构成大多数现代计算机视觉系统骨干的强大工具。随后，在 8节 和 9节 中，我们引入了循环神经网络(recurrent neural network，RNN)，这是一种利用数据中的时间或序列 结构的模型，通常用于自然语言处理和时间序列预测。在 latt感知器学习 算法的原型，被称为“赫布学习”。这个算法也为当今深度学习的许多随机梯度下降算法奠定了基础：强化期 望行为和减少不良行为，从而在神经网络中获得良好的参数设置。 神经网络（neural networks）的得名源于生物灵感。一个多世纪以来（追溯到1873年亚历山大·贝恩和1890年 詹姆斯·谢林顿的模型），研究人员一直试图组装类似于相互作用的神经元网络的计算电路。随着时间的推移， 接的多层感知机中。因为这些网络特征元素的顺序是不变的，因此最优的结果是利用先验知识，即利用相近 像素之间的相互关联性，从图像数据中学习得到有效的模型。 本章介绍的卷积神经网络（convolutional neural network，CNN）是一类强大的、为处理图像数据而设计的 神经网络。基于卷积神经网络架构的模型在计算机视觉领域中已经占主导地位，当今几乎所有的图像识别、 目标检测或语义分割相关的学术竞赛和商业应用都以这种方法为基础。

ated Net (BiCNet) Neuroscience Hypothesis Source: Reinforcement Learning – An Introduction Architecture Overview https://github.com/alibaba/gym-starcraft Coordinated Moves without Collision 3 Marines Learning Source: Overcoming catastrophic forgetting in neural networks Memory-Augmented Neural Networks Source: Hybrid computing using a neural network with dynamic external memory Work Fun Play Hard

Several kernels Animation https://medium.freecodecamp.org/an-intuitive-guide-to-convolutional-neural- networks-260c2de0a050 Notation Input_channels: Kernel_channels: 2 ch Kernel_size: Stride: Padding: one k: [3, 3, 3] multi-k: [16, 3, 3, 3] bias: [16] out: [b, 16, 28, 28] LeNet-5 Pyramid Architecture http://cs231n.stanford.edu/slides/2016/winter1516_lecture7.pdf nn.Conv2d Inner weight & bias

Elastic License，主要是针对 AWS 基于 Elasticsearch 的托管服务。 作为应对措施，AWS 宣布创建“真正”开源的 Elasticsearch 分支，将 Elastic search 修 改协议之前的最后一个版本 7.10 直接 fork 出来变成 OpenSearch，开源许可证也会继 续使用 Apache License 2.0。业界对于 Elastic 改变许可证的做法褒贬不一，有些人认为 around this issue is the one between Amazon Web Services (AWS) and Elastic. Elasticsearch is a search and data analytics engine owned by Elastic, using the OpenCore business model. AWS has a distribution announced the creation of a "true" open source branch of Elasticsearch, forking out the last Elastic Search release, 7.10, as OpenSearch, and the open source license continuing to use the Apache License

？ Microso� Apple AWS 今年最激动人心的事件？ 2016.1.28 “Mastering the game of Go with deep neural networks and tree search” 今年最激动人心的事件？ 2016年3月Alphago 4:1 击败李世石九段 人工智能 VS. 机器学习 VS. 深度学习 人工智能发展的历史 四大宗师 Yann 发现异常的规律行为，识别和标记欺诈交易 推荐引擎 客户流失预测 ... 机器学习－学习方式 监督学习- 人工干预和验证的要求,算法：Logistic Regression，Back Propagation Neural Network 等。例如：照片分类和标签 无监督学习- 无人工干预的要求, 算法: Apriori算法以及k-Means。例如：对于文档的基于上下 文的自动分类 半监督学习 - 介于监督学习和无监督学习之间，算法:

图片的表示示意图① ① 素材来自 https://towardsdatascience.com/how-to-teach-a-computer-to-see-with-convolutional-neural-networks- 96c120827cd1 预览版202112 3.1 手写数字图片数据集 3 目前常用的深度学习框架，如 PyTorch (Paszke, 以及其他人 所在的层叫作输入层，每一个非线性 模块的输出??连同它的网络层参数??和??等称为一层网络层。特别地，对于网络中间的 层，也叫作隐藏层，最后一层也叫作输出层。这种由大量神经元模型连接形成的网络结构 称为神经网络(Neural Network)。从这里可以看到，神经网络并不难理解，神经网络每层的 节点数和神经网络的层数或结构等决定了神经网络的复杂度。 预览版202112 第 3 章 分类问题 10 LarochelleH., BeygelzimerA., d\textquotesingle Alch é-BucF., FoxE., & GarnettR. (编辑), Advances in Neural Information Processing Systems 32 (页 8024–8035). Curran Associates, Inc. 检索来源: http://papers.neurips

Categorical Variables Pivot Stemming Sept 2017 Graph All Pairs Shortest Path (APSP) Breadth-First Search Average Path Length Closeness Centrality Graph Diameter In-Out Degree PageRank Single Source Summary InferenDal StaDsDcs • Hypothesis Tests Probability FuncDons Supervised Learning Neural Networks Support Vector Machines (SVM) Regression Models • Clustered Variance • Cox-ProporDonal